本文研究大型语言模型（LLMs）对提示框架的敏感性，评估其在鼓励支持或挑战特定立场的直接和暗示性提示下的响应表现。通过对六个LLMs使用160个涵盖十个主题的提示进行实验，发现模型的回答会系统性地调整以匹配提示框架，即使在事实性问题中也会受此影响，提示框架的效应甚至可能超过事实一致性。结果表明，大型语言模型在一定程度上易受用户细微偏见的强化及明确提示操控，影响事实稳定性。
这条 研究论文 信号说明，来自 arXiv cs.CL 的信息已经不只是单点新闻，而是值得放进产品、研究和行业判断里的趋势线索。
arXiv cs.CL 发布了这条关于 研究论文 的更新：本文研究大型语言模型（LLMs）对提示框架的敏感性，评估其在鼓励支持或挑战特定立场的直接和暗示性提示下的响应表现。通过对六个LLMs使用160个涵盖十个主题的提示进行实验，发现模型的回答会系统性地调整以匹配提示框架，即使在事实性问题中也会受此影响，提示框架的效应甚至可能超过事实一致性。结果表明，大型语言模型在一定程度上易受用户细微偏见的强化及明确提示操控，影响事实稳定性。
理解大型语言模型对提示的敏感性及其可能强化用户偏见，能帮助我们更好地评估其社会影响和风险，促进负责任的技术开发和应用。
研究员、模型团队和技术战略负责人 应该重点关注这条信号，尤其是正在跟踪 research、papers、models 的团队。
接下来观察这条信号是否出现开发者采用、竞品回应、研究复现、企业部署或政策/平台层面的后续动作。
模型ML利用GPT-5.6 Sol，从研究和分析到可编辑、可追踪的PPT和Excel工作簿，完整完成金融工作流程。
UAV3DCrop是一个公开数据集，包含大规模无人机多角度农作物图像，覆盖玉米、大豆、小麦和燕麦等作物，用于评估三维重建技术在重复农田监测中的表现。该基准测试包含七种场景优化方法和四种预训练模型的多指标对比，评估包括图像外观、深度和冠层高度恢复。结果显示不同方法在不同指标上表现不一，当前三维重建技术尚未能兼顾外观、几何和度量精度，且预训练模型中仅有部分能恢复准确的尺度，表明农业场景的三维重建仍具挑战。数据集公开提供，促进精准农业视觉技术发展。
准确估计森林高度对于碳核算、生物多样性监测和生态系统管理等应用至关重要。虽然深度学习方法能提供准确预测，但通常无法量化预测不确定性，这在稀疏标注和地理分布变化的地理空间环境中尤为重要。本文研究了用于森林高度估计的深度证据回归（DER），基于TreeUQ基准数据集，利用Sentinel-1/-2多模态卫星数据和巴伐利亚州的树木清单数据，提出了适应极端标签稀疏性的掩码证据损失。采用U-Net结构，实现树高及其不确定性的一次性预测。实验表明，DER在保持与确定性U-Net相当性能的同时，能有效提供校准良好的不确定性估计，展示了证据学习在地球观测数据不确定感知森林结构估计中的潜力。